2

我正在使用 Learning Spark，Lightning-Fast 数据分析书学习 Spark。

我去过很多网站并阅读了很多文章，但我仍然不明白 和 之间的reduce()区别fold()。

根据我正在使用的书：

“类似于reduce()is fold()，它也采用与所需签名相同的函数reduce()，但另外采用“零值”用于每个分区的初始调用。您提供的零值应该是您的标识元素“

为了帮助我更好地理解，我运行以下代码：

rdd = sc.parallelize([1, 2, 3, 4, 5, 6, 7, 8, 9, 10], 2)

rdd.getNumPartitions()
Out[1]: 2

rdd.glom().collect()
Out[2]: [[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]]

rdd.reduce(lambda x,y: x+y)
Out[3]: 55

rdd.fold(0, lambda x,y: x+y)
Out[4]: 55

问题：1）引用：“但另外需要一个“零值”用于每个分区的初始调用。” 每个分区的初始调用是什么意思？

2）引用：“您提供的零值应该是您的操作的标识元素；也就是说，在您的函数中多次应用它不应该改变值”如果是这样，那么提供“值”的意义何在为手术？

3）根据我上面提供的例子，两者的总和都是55。有什么区别？

4

1 回答 1

3

不同之处在于 fold 允许您更改结果的类型，而 reduce 不能，因此可以使用数据中的值。例如

rdd.fold("",lambda x,y: x+str(y))
'12345678910'

您的示例不会更改结果的类型，实际上在该示例中，您可以使用 reduce 而不是 fold。

在非分布式环境中使用的“正常”折叠使用一次初始值。但是，当 spark 运行分布式时，它将运行一个折叠，该折叠将从每个分区中的初始值开始，然后在组合结果时再次运行因为在您的示例中，如果我们调用以下命令，您已经在 2 个分区中创建了上面的 10 个数字：

rdd.fold("HERE",lambda x,y: x+str(y))

我们会得到

'HEREHERE12345HERE678910'
于 2018-09-29T05:22:47.370 回答